工业 AI：约束不在模型，在现场

工业 AI 与通用 AI 最根本的差异，不在于模型结构，而在于系统必须在传感器的物理量程、通信的丢包节奏、产线的节拍时间和嵌入式硬件的功耗预算之内做出可被工艺工程师信任的决策。一个在公开数据集上 F1 达到 0.98 的模型，如果其输入在时间轴上错位了 30 秒，或者推理延迟超过了相机的 33ms 帧预算，它在现场的价值就是零。工业 AI 的工程重心，因此必须前移到数据管道的可信度和推理部署的确定性上。

数据管道：工业数据不是“脏”，是“不可直接使用”

工业 AI 项目里，数据工程平均占 60% 的工期和 30% 的预算，但大多数方案文档里这部分只有一句“完成数据采集与预处理”。真正的困难发生在采集之后：DO 传感器每秒采样，风机反馈每 5 秒一次，化验数据每 2 小时一次，三个时间轴各自为政，直接拼接会让模型学到时间错位的虚假关联。

时间对齐的第一步是选定目标频率，原则是不快于最快传感器的采样频率，不慢于工艺响应时间常数的 1/5。对齐时数值列用均值聚合而非取最后一个点，以降高频噪声；同时必须记录每个窗口内的原始数据点数作为覆盖率，后续才能区分“真实采到的”和“插值出来的”。

def align_sources(sources: dict, target_freq: str = "30s"):
    aligned = {}
    for name, df in sources.items():
        df = df[~df.index.duplicated(keep="last")]
        res = df.resample(target_freq).mean()
        res["_coverage"] = df.resample(target_freq).size()  # 真实点数
        aligned[name] = res
    merged = pd.concat(aligned, axis=1)
    merged.columns = [c[1] for c in merged.columns]  # 去掉 source 层
    cov_cols = [c for c in merged if c.endswith("_coverage")]
    merged["_global_coverage"] = merged[cov_cols].sum(axis=1)
    return merged.drop(columns=cov_cols)

比对齐更关键的一条纪律是：异常值不删除，只打标签。传感器断电产生 0 值、通信丢包产生平直线、暴雨冲击导致进水 COD 飙升，后者恰恰是模型必须学会应对的工况。用物理量程、平直线检测和滑动 MAD 尖峰检测给每条数据打上质量标签，把“该学还是该忽略”的决定权留给工艺工程师，而不是在清洗阶段自动抹掉。

边缘推理：FP16 是当前的确定性选择，INT8 不是

工业视觉的实时约束是硬的：30 FPS 工业相机的每帧预算只有 33ms，模型必须在下一帧到来之前完成推理。2026 年针对钢板表面缺陷的评测给出了明确的部署结论：YOLOv26 预训练模型在 Jetson Orin Nano 上 FP16 达到 89.9 FPS，在 AGX Orin 上达到 146.7 FPS，远超 30 FPS 的实时预算；FP16 相对 FP32 的精度损失在 0.02 mAP 以内。

但同一项研究揭示了一个必须写入部署规范的反直觉结论：INT8 分割引擎在 Jetson 设备的 TensorRT 10.3 上无法构建，工作站的精度也不可靠。这意味着“INT8 量化总能换取更高吞吐”在边缘视觉分割任务上不成立。部署决策不能以“量化越激进越好”为默认假设，而必须先在小批量硬件上验证引擎能否构建、精度是否在可接受范围内。在生产环境中，边缘推理应当通过 OPC UA 将结果直接发布到 SCADA/MES，而不是先回传云端再下发决策，这是满足毫秒级闭环的前提。

决策层：用规则兜底，让模型只在“有权限”的区间内发言

工业 AI 的决策层面临一个通用 AI 不太遇到的约束：漏报的代价与误报的代价严重不对称，而两者都不可接受。漏报一次轴承故障可能导致非计划停机；频繁误报会让运维人员彻底关闭告警。纯模型输出无法承载这种不对称性，因为模型给出的是一个概率或分数，而不是一个经过工艺边界约束的处置建议。

可运营的做法是把决策拆成规则门控 + 模型评分两层。规则层承载物理边界和联锁条件（如“振动 RMS 超过 ISO 10816 的 C 区阈值时，无论模型分数如何都必须触发告警”），模型层只在规则允许的区间内提供排序和分级信号。当规则与模型冲突时，系统进入 escalate 状态，交由工艺人员裁决，而不是让任何一层单方面覆盖另一层。

from dataclasses import dataclass

@dataclass
class Decision:
    action: str      # "normal" | "alert" | "escalate"
    reason: str
    score: float

def decide(vib_rms: float, model_score: float, iso_limit: float, threshold: float = 0.8):
    if vib_rms > iso_limit:
        return Decision("alert", "物理阈值越限，规则优先", model_score)
    if model_score >= threshold:
        return Decision("alert", "模型评分超过阈值", model_score)
    if vib_rms > iso_limit * 0.85 and model_score >= threshold * 0.6:
        return Decision("escalate", "规则接近边界且模型中度异常，转人工确认", model_score)
    return Decision("normal", "规则与模型均在正常区间", model_score)

这个结构的工程意义在于：模型的价值被限定在它真正擅长的地方——在物理边界之内识别细微的退化模式并排序，而边界本身由可审计的规则守护。与纯端到端预测相比，这种混合门控的代价是部分召回率的上限受规则限制，但换来的是告警的可解释性和运维人员对系统的持续信任。现场系统被关掉，往往不是因为模型不够准，而是因为它在不该响的时候响了。

工业 AI 的交付物，本质上是一组可被现场约束验证的工程承诺：数据时间轴可信、覆盖率可追溯、推理延迟在帧预算之内、决策在物理边界内收敛、冲突有明确的升级路径。模型只是这条链路上的一个环节，它的输出必须被上游的数据质量和下游的决策规则同时约束，才具备在生产环境中持续运行的条件。